CN110032704B - 数据处理方法、装置、终端及存储介质 - Google Patents

数据处理方法、装置、终端及存储介质 Download PDF

Info

Publication number
CN110032704B
CN110032704B CN201810462144.7A CN201810462144A CN110032704B CN 110032704 B CN110032704 B CN 110032704B CN 201810462144 A CN201810462144 A CN 201810462144A CN 110032704 B CN110032704 B CN 110032704B
Authority
CN
China
Prior art keywords
matrix
low
rank
model
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810462144.7A
Other languages
English (en)
Other versions
CN110032704A (zh
Inventor
彭勇
李平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Hangzhou Dianzi University
Original Assignee
Tencent Technology Shenzhen Co Ltd
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd, Hangzhou Dianzi University filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201810462144.7A priority Critical patent/CN110032704B/zh
Publication of CN110032704A publication Critical patent/CN110032704A/zh
Application granted granted Critical
Publication of CN110032704B publication Critical patent/CN110032704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种数据处理方法、装置、终端及存储介质，属于数据处理技术领域。所述方法包括：获取待处理数据；调用低秩表示与子空间联合模型对所述待处理数据进行处理，所述低秩表示与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。采用低秩表示与子空间联合模型对待处理数据同时进行处理，处理过程对所述低秩模型和所述正则化项进行联合求解，由于所述低秩模型和所述正则化项分别用于去噪和降维，所以求解过程能够在去噪和降维两个目标上同时优化，从而实现最佳全局优化效果，保证了数据去噪和降维的效果。

Description

数据处理方法、装置、终端及存储介质
技术领域
本发明涉及数据处理领域，特别涉及一种数据处理方法、装置、终端及存储介质。
背景技术
随着机器学习技术的不断成熟，对数据进行分类或者聚类处理成为其中一个重要的研究方向。以数据分类处理为例，在进行数据分类前需要对待分类的数据进行预处理。其中，预处理的过程通常包括数据去噪、数据降维两个部分。
其中，数据去噪是指除去待分类的数据中的噪声，恢复出干净的数据。数据降维是指降低数据中随机变量个数，选择出用于进行数据分类的主变量。
相关技术中，数据去噪和数据降维通常是采用两个函数分别实现的。在进行数据去噪和数据降维时，两个函数独自进行优化，数据去噪的函数优化时不考虑数据降维过程，数据降维的函数优化时也不会考虑数据去噪的过程，两个函数不能协同优化，最终只能达到局部最优，而无法实现全局最优的结果，导致最终数据预处理的效果不理想。
发明内容
为了解决相关技术中存在的问题，本发明实施例提供了一种数据处理方法、装置、终端及存储介质。所述技术方案如下：
一方面，提供了一种数据处理方法，所述方法包括：
获取待处理数据；
调用低秩与子空间联合模型对所述待处理数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；
对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
另一方面，还提供了一种数据处理装置，所述装置包括：
获取模块，用于获取待处理数据；
处理模块，用于调用低秩与子空间联合模型对所述待处理数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；
求解模块，用于对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
另一方面，还提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如第一方面所述的数据处理方法。
另一方面，还提供了一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如第一方面所述的数据处理方法。
本发明实施例提供的技术方案带来的有益效果是：
采用低秩表示与子空间联合模型对待处理数据同时进行处理，处理过程对所述低秩模型和所述正则化项进行联合求解，由于所述低秩模型和所述正则化项分别用于去噪和降维，所以求解过程能够在去噪和降维两个目标上同时优化，从而实现最佳全局优化效果，保证了数据去噪和降维的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是一种低秩模型进行数据去噪的示意图；
图2是噪声污染的遥感图像；
图3是采用低秩模型进行去噪后的图像；
图4是基于低秩模型进行数据降维的过程示意图；
图5是本发明实施例提供的一种数据处理方法的流程图；
图6是本发明实施例提供的另一种数据处理方法的流程图；
图7是低秩表示与子空间联合方案示意图；
图8是本发明实施例提供的一种数据处理装置的结构示意图；
图9是本发明实施例提供的一种终端的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
为便于对本发明实施例提供的技术方案的理解，下面以采用低秩模型对图像进行处理为例，对现有数据处理方案所存在的问题进行说明：
目前低秩模型通常可以用于对数据去噪或者对数据进行降维，尤其针对数据本身可能具有低秩特征且噪声不符合高斯分布的情况。
下面结合图1对采用低秩模型进行数据去噪进行说明。图1是一种低秩模型进行数据去噪的示意图，如图1所示，X表示观测矩阵，也即待处理的数据对应的矩阵，Z表示低秩系数矩阵，E表示稀疏噪声矩阵，X＝XZ+E。根据图1可以看出，基于低秩模型的数据恢复能力进行数据去噪，通过低秩模型能够得到干净数据XZ。图2为噪声污染的遥感图像，图3为采用低秩模型进行去噪后的图像，参见图2和图3，可以看出采用低秩模型的数据恢复能力可以进行数据去噪。
低秩模型除了可以用于数据去噪外，还可以用于对数据进行降维。图4是基于低秩模型进行数据降维的过程示意图，参见图4，该过程分为两个阶段，第一阶段基于低秩模型进行图的构造，第二阶段进行图上的机器学习与应用。具体地，根据低秩模型能够得到低秩系数矩阵E，因为低秩系数矩阵可以看成是数据之间关联的体现，所以根据低秩系数矩阵可以得到图邻接矩阵(也即图)，具体地，低秩系数矩阵Z刻画了数据之间的表示关系，因此(|Z|+|ZT|)/2可以被视为图邻接矩阵，其中ZT为Z的转置矩阵，上述过程完成了第一阶段图的构造；而基于图邻接矩阵可以实现机器学习算法，如子空间学习算法，通过子空间学习算法进行数据的降维，即完成了第二阶段。
现有技术在使用低秩模型时，通常只利用其中一种用途，例如采用低秩模型进行数据降维，在利用其进行数据降维时，会先通过预处理的方式对数据进行一些去噪，然后再采用低秩模型进行数据降维。由于数据去噪和降维并非在同一目标函数的框架下完成，造成数据去噪和降维的两个目标函数不能协同优化，最终只能达到局部最优，而无法实现全局最优的结果，导致最终数据降维效果不理想。
为了解决上述问题，本发明实施例提供了一种数据处理方法，该方法能够采用同一目标函数(即低秩表示与子空间联合模型)同时对待处理数据进行去噪和降维，以获得全局最优的结果。该方法采用服务器或者计算机(包括但不限于个人计算机、移动终端等)实现，服务器或者计算机的计算能力可以根据输入的数据规模进行设定，从而保证能够完成对输入的数据的处理，该数据处理方法详见下文实施例。
另外，在上述介绍中，是以图片进行举例说明的，但本申请提供的数据处理方案也同样适用于其他格式的数据，例如视频、文本、生物特征数据(例如脑电波数据)等。
图5是本发明实施例提供的一种数据处理方法的流程图，参见图5，该方法包括：
步骤101：获取待处理数据。
在本申请中，待处理数据为有噪声的数据，本申请的目的是在对数据进行降噪处理的同时采用子空间学习算法对其进行处理，从而实现对待处理数据的降噪和降维，为后续数据分析等工作做准备。
其中，待处理数据既可以为图像数据，也可以为文本、视频、生物特征数据(例如脑电波数据)等数据。
步骤102：调用低秩表示与子空间联合模型对所述待处理数据进行处理，所述低秩表示与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分。
其中，所述低秩模型可以是单子空间模型，例如鲁棒主成分分析模型，或者自定义数据低秩分解形式对应的模型；所述低秩模型也可以是多子空间模型，例如低秩表示模型、隐低秩表示模型、其他多子空间模型或者自定义数据低秩分解形式对应的模型。
其中，低秩表示与子空间联合模型中的正则化项根据所需子空间的性质进行定义，详见后文实施例。
步骤103：对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
在前述低秩与子空间联合模型中，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括子空间学习投影矩阵一个变量，故步骤103实际可以是以低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵为优化目标，对所述低秩模型和所述正则化项进行联合求解，得到去噪和降维后的数据。本申请通过以低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵同时作为目标进行优化，避免了现有技术只对其中一个进行优化造成的局部最优解问题。
采用低秩表示与子空间联合模型对待处理数据同时进行处理，处理过程对所述低秩模型和所述正则化项进行联合求解，由于所述低秩模型和所述正则化项分别用于去噪和降维，所以求解过程能够在去噪和降维两个目标上同时优化，从而实现最佳全局优化效果，保证了数据去噪和降维的效果。
图6是本发明实施例提供的另一种数据处理方法的流程图，参见图6，该方法包括：
步骤201：获取待处理数据。
在本申请中，待处理数据为有噪声的数据，本申请的目的是在对数据进行降噪处理的同时采用子空间学习算法对其进行处理，从而实现对待处理数据的降噪和降维，为后续数据分析等工作做准备。
其中，待处理数据既可以为图像数据，也可以为文本、视频、生物特征数据(例如脑电波数据)等数据。
当待处理数据为脑电波数据等非平稳弱信号，该方法还可以包括：对待处理数据进行领域内的特定预处理，例如伪迹去除。
步骤202：调用低秩表示与子空间联合模型对所述待处理数据进行处理，所述低秩表示与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分。
其中，所述低秩模型可以是单子空间模型，例如鲁棒主成分分析模型，或者自定义数据低秩分解形式对应的模型；所述低秩模型也可以是多子空间模型，例如低秩表示模型、隐低秩表示模型、其他多子空间模型或者自定义数据低秩分解形式对应的模型。
该低秩表示与子空间联合模型不仅适用于监督学习，还适用于无监督学习，模型适用范围广。监督学习时，对应的低秩模型可以为单子空间模型或多子空间模型，例如单子空间模型可以为鲁棒主成分分析模型；多子空间模型可以为低秩表示模型、隐低秩表示模型、自定义的数据的低秩分解形式模型等；无监督学习时，因为通常需要低秩系数矩阵构造样本相似性，对应的低秩模型为多子空间模型，例如低秩表示模型、隐低秩表示模型、自定义的数据的低秩分解形式模型等。
其中，在监督学习时，可以根据对数据的分解形式进行一般低秩模型(鲁棒主成分分析模型、低秩表示模型、隐低秩表示模型)的选择：例如，简单地将数据分为干净部分与噪声部分，则选用低秩表示模型；如将数据分为主特征、显著特征与噪声等部分，则可选用隐低秩表示模型(隐低秩表示模型用于将数据分解为主特征、显著特征与噪声)。
其中，低秩表示与子空间联合模型中的正则化项根据所需子空间的性质进行定义。例如：
当所需子空间中数据表示达到类间间隔极大化、类内间隔极小化时，所述正则化项为：
λ[Tr(SW(WTXZ))-Tr(SB(WTXZ))]，s.t.X＝XZ+E，WTW＝I；
其中，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，E表示稀疏噪声矩阵，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，I表示单位矩阵，SW表示类内散度矩阵，SB表示类间散度矩阵，Tr表示迹，即矩阵对角线元素的和，λ为模型参数，s.t.表示约束条件；
当所需子空间中数据具有局部保持能力(局部保持能力是指在原始空间中接近的数据点在子空间中仍然接近，局部保持能力能够让降维到子空间的投影矩阵没有破坏数据集的结构化信息)时，所述正则化项为：
Figure BDA0001661160160000061
其中，LZ＝DZ-(ZT+Z)/2，Z为图邻接矩阵，ZT表示Z的转置矩阵，DZ是Z的度矩阵，
Figure BDA0001661160160000062
是DZ的度矩阵，LZ是图拉普拉斯矩阵，(DZ)ii＝∑j(zij+zji)/2，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，Tr表示迹，即矩阵对角线元素的和。
按照上述方式设定与所需子空间对应的正则化项来形成模型，针对性好，能够满足对应子空间的需求，进而能够满足用户对降维后数据的要求。
除了上述根据所需特定子空间的性质所定义的正则化项外，该模型中的正则化项还可以采用一种统一的回归形式来实现基于图的子空间学习，其中图是一种比线性和树形结构复杂的数据结构，图由顶点的集合与边的集合组成，在本申请中顶点为数据样本，边描述了数据间的关系，图例如可以采用前述图邻接矩阵表示，该正则化项为：
λ||WTD-Q||2，s.t.C1(D，E)，C2(W)，
其中，D＝XZ，X＝XZ+E，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，E表示稀疏噪声矩阵，WT表示W的转置矩阵，W表示XZ的子空间学习投影矩阵，||WTD-Q||2的作用是为了实现子空间，即降维，Q表示回归目标，由具体的子空间实现方法决定，λ为模型参数，C1、C2表示约束，一般为等式约束，如典型的形式为，C1：X＝XZ+E；C2：WTW＝I，即强调W的正交性。
而对于统一子空间而言，一个正则化项能够满足各个子空间，无需单独设置正则化项，目标函数较为简单，设计及使用更方便；另外，该方案基于谱回归算法，回归目标为最小二乘形式，容易求解。
对于特定子空间而言，对于数据在子空间中的表示的期望不同，会有不同的正则化项，从而对应不同的低秩表示与子空间联合模型，所以在采用低秩表示与子空间联合模型对所述待处理数据进行处理时，具体过程可以包括：
确定正则化项；根据正则化项确定对应的低秩表示与子空间联合模型。其中正则化项是根据所需求的子空间的性质确定的，从而使得最终低秩表示与子空间联合模型能够满足需求。
正则化项除了需要根据子空间的性质进行选取外，正则化项同时还依赖于低秩模型，比如低秩模型为低秩表示模型时，那么正则化项是在恢复出的干净数据XZ上做降维；如果低秩模型为隐低秩表示模型，即minZ，L，Erank(Z)+rank(L)+λ||E||2，1，s.t.X＝XZ+LX+E，那么正则化项是在所谓的显著特征LX上来做降维。
本申请通过低秩表示与子空间联合模型对所述待处理数据进行去噪和降维处理，不需要针对单一的图上的子空间学习算法，而是提出一个模型框架，可以将常见的基于图的子空间学习算法均包括在内，降低了采用低秩模型进行数据处理的复杂性。
下面通过示例对本申请中的低秩表示与子空间联合模型进行举例说明：
第一种低秩表示与子空间联合模型(联合子空间学习与特定子空间学习)如下：
Figure BDA0001661160160000081
其中，||Z||*表示Z的核范数，即矩阵Z的特征值的和；||E||2，1表示E的21范数，即以列为单位，列之间使用1范数度量，列内用2范数度量，用以刻画噪声，具体是指的对噪声的分布信息进行刻画，2范数一般对应高斯噪声，1范数对应稀疏噪声，21范数介于两者之间，是一种常用的鲁棒性噪声刻画方法；SW表示类内散度矩阵；SB表示类间散度矩阵；α和λ为模型参数，模型参数一般可以手工调，或者用经典的交叉验证方法获得。
在本申请实施例中，W可以采用如下两种方式获得：一是在干净数据(即XZ)上利用K近邻关系获得；另一是基于Z获得，例如，W＝(Z+|ZT|)/2，ZT是Z的转置矩阵。
下面对第一种低秩表示与子空间联合模型进行详细说明：
在恢复出来的干净数据(也可称为恢复数据)上定义子空间学习投影矩阵W，进而根据所需子空间的性质定义正则化项来对W进行约束，从而得到目标函数。设
Figure BDA0001661160160000086
为低秩恢复数据(当采用低秩表示的时候，D就是XZ，/>
Figure BDA0001661160160000087
表示二维实空间，维数分别为d和n)，则联合低秩表示模型与子空间学习的目标函数如(1)式所示：
Figure BDA0001661160160000082
其中，LR Model表示低秩模型，WTD为子空间中的数据表示，λ为模型参数，
Figure BDA0001661160160000083
为正则化项，用于限定数据在子空间中的数据表示所具有的性质，C1(D，E)表示该目标函数依赖于采用的低秩表示模型。
例如，采用低秩表示模型
Figure BDA0001661160160000084
根据Fisher判别准则使得子空间中数据表示达到类间间隔极大化且类内间隔极小化(即属于同一类的样本聚在一起，属于不同类的样本分散开来)，则目标函数中的正则化项可以设置为Tr(SW(WTXZ))-Tr(SB(WTXZ))，那么(1)式将转化为如下(2)式：
Figure BDA0001661160160000085
第二种低秩表示与子空间联合模型(联合低秩学习与统一子空间学习)如下：
minD,WLR Model+λ||WTD-Q||2，s.t.Cl(D，E)，C2(W)；
下面对第二种低秩表示与子空间联合模型进行详细说明：
该模型的构建得益于谱回归框架，谱回归框架将子空间投影矩阵的学习归纳成以最小二乘为目标函数的回归问题，避免了在稠密矩阵上做特征分解，因此可以实现高效求解。并且，各种正则化技术(如稀疏子空间学习)可以很自然地应用在谱回归框架上；其基本的目标函数如(3)式所示：
Figure BDA0001661160160000091
其中，X表示所述待处理数据对应的观测矩阵，XT表示X的转置矩阵，W表示XZ的子空间学习投影矩阵，Z表示低秩系数矩阵，λ为模型参数，Q表示回归目标，S为图邻接矩阵，DS为度对角矩阵，定义为(DS)ii＝∑iSij；约束条件表示回归目标Q的列由较大特征值λmax对应的特征向量组成；
Figure BDA0001661160160000093
是对投影矩阵的约束。利用谱回归框架实现子空间学习至少具有两个优点：1)最小二乘形式的目标容易求解；2)能够使各种基于图上的子空间学习算法形成统一框架，不同的图构造方式对应着不同的回归目标Q。其中，回归目标Q是一个矩阵，图构造方式和回归目标Q之间是对应的，可以预先设置。在图构造好之后，直接特征分解即可得到，公式(3)的约束条件中给出了特征分解的具体形式。
图7是低秩表示与子空间联合方案示意图，参见图7，图7是左侧的部分(A)为采用两个阶段分别进行数据去噪和降维得到的降维后的示意图，可以看出，降维后仍然存在无法准确划分不同特征的问题，而图7中部(B)则是低秩表示与子空间联合模型进行联合去噪和降维后得到的数据，可以看出采用低秩表示与子空间联合模型处理后的数据，能够较为准确的划分不同特征。如(3)式所示的联合学习目标函数可以实现低秩表示系数矩阵Z和子空间投影矩阵W的协同交替优化，即将(3)式与(1)式结合可得公式(4)，其中，公式(4)已经确定出Q，故公式(4)的约束条件中不再包括Q。
Figure BDA0001661160160000092
其中，C(W)表示对投影矩阵的约束，可以为公式(3)中的正则化项
Figure BDA0001661160160000094
也就是说，公式(3)中的约束条件为公式(4)中的正则化项，公式(3)中的正则化项的后半部分为公式(4)中的约束条件。
进一步地，将(4)式拓展到一般的低秩模型便得到(5)式：
minD，WLR Model+λ||WTD-Q||2，s.t.C1(D，E)，C2(W)，(5)
在这种方式中，联合低秩表示与统一子空间学习算法模型，不需要针对特定性质的子空间定义不同的目标函数作为正则化项，推广性较好，同时统一子空间学习目标表示较为容易求解。
步骤203：初始化低秩与子空间联合模型中的低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵中的任意两个矩阵。
根据前文的低秩与子空间联合模型可知，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括子空间学习投影矩阵一个变量，故以低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵为优化目标，对所述低秩模型和所述正则化项进行联合求解，即可得到去噪和降维后的数据。本申请通过以低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵同时作为目标进行优化，避免了现有技术只对其中一个进行优化造成的局部最优解问题。
值得说明的是，实际变量的个数与低秩模型有关，例如隐低秩表示模型还包括变量L(用于提取显著特征)。当包括除以上三个变量外的其他变量时，其他变量是否进行初始化需要根据变量之间的关联关系确定，当其他变量与以上三个变量不存在关联关系时，则不需要进行初始化，当其他变量与以上三个变量存在关联关系时，则需要进行初始化，例如变量L与以上三个变量存在关联关系，故需要进行初始化。
步骤204：按照低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵各自的迭代规则，交替对低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵进行迭代优化。
其中，低秩系数矩阵的迭代规则可以为奇异值收缩规则；稀疏噪声矩阵的迭代规则可以为稀疏收缩规则；子空间学习投影矩阵的迭代规则可以为直接求导规则。
其中，交替对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代优化，是指依次对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代，并循环上述过程。例如，假设所述低秩模型和所述正则化项仅包括低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵三个变量，首先为稀疏噪声矩阵和子空间学习投影矩阵赋初始值，以所述低秩系数矩阵为变量进行求解；接着将以低秩系数矩阵为变量求解得到的值赋值给所述低秩系数矩阵，并保持子空间学习投影矩阵的值不变，以所述稀疏噪声矩阵为变量进行求解；然后将以稀疏噪声矩阵为变量求解得到的值赋值给稀疏噪声矩阵，并保持低秩系数矩阵的值不变，以所述子空间学习投影矩阵为变量进行求解，……，依此类推。
步骤205：当迭代后的低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵使得收敛性条件满足要求时，结束迭代过程，得到去噪与降维后的数据。
其中，收敛性条件可以通过对Z设置一个辅助变量J来实现，当Z和J基本一致时候(例如两个矩阵中对应元素(位于相同列相同行的元素)的最大差异值小于0.01)，满足收敛性条件的要求，结束迭代。
对于谱回归方式的正则化项，在上述迭代开始前，先根据子空间所需性质定义图，预先求解谱回归方式下的回归目标；在迭代过程中，可以根据低秩系数矩阵，更新图与回归目标，进而更新子空间学习投影矩阵。
按照上述方式即可完成低秩系数矩阵、稀疏噪声矩阵和子空间学习投影矩阵的迭代优化，也即实现了对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
在完成步骤205之后，所述方法还可以包括：
对去噪和降维后的数据进行分类或聚类等识别处理。
本申请提供的数据处理方法可以应用在众多场景中，例如人脸识别、遥感图像处理等等。下面通过以人脸识别为例，对本申请提供的数据处理方法在实际中如何使用进行说明：
服务器接收到待识别的人脸图像；
服务器通过低秩表示与子空间联合模型对待识别的人脸图像进行去噪和降维处理，得到去噪及降维后的人脸图像；
服务器通过去噪及降维后的人脸图像完成人脸识别，并输出人脸识别结果。
图8是本发明实施例提供的一种数据处理装置的结构示意图，参见图8，所述装置300包括：获取模块301、处理模块302和求解模块303。
其中，获取模块301，用于获取待处理数据；处理模块302，用于调用低秩与子空间联合模型对所述待处理数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；求解模块303，用于对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
在一种实现方式中，所述低秩模型为鲁棒主成分分析模型、低秩表示模型、隐低秩表示模型或自定义数据低秩分解形式对应的模型。
在另一种实现方式中，所述正则化项为：
λ[Tr(SW(WTXZ))-Tr(SB(WTXZ))]，s.t.X＝XZ+E，WTW＝I；
其中，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，E表示稀疏噪声矩阵，XZ表示去噪后的干净数据对应的矩阵，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，I表示单位矩阵，SW表示类内散度矩阵，SB表示类间散度矩阵，Tr表示迹，即矩阵对角线元素的和，λ为模型参数，s.t.表示约束条件；
或者，所述正则化项为：
Figure BDA0001661160160000121
其中，LZ＝DZ-(ZT+Z)/2，Z为图邻接矩阵，ZT表示Z的转置矩阵，DZ是Z的度矩阵，
Figure BDA0001661160160000122
是DZ的度矩阵，LZ是图拉普拉斯矩阵，(DZ)ii＝∑j(zij+zji)/2，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，Tr表示迹，即矩阵对角线元素的和；
或者，所述正则化项为：
λ||WTD-Q||2，s.t.C1(D，E)C2(W)，
其中，D＝XZ，X＝XZ+E，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，XZ表示去噪后的干净数据对应的矩阵，E表示稀疏噪声矩阵，WT表示W的转置矩阵，W表示XZ的子空间学习投影矩阵，Q表示回归目标，λ为模型参数，C1、C2表示约束条件。
进一步地，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括子空间学习投影矩阵一个变量。
求解模块303，用于初始化所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵中的任意两个；
按照所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵各自的迭代规则，交替对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代优化；
当迭代后的所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵使得目标函数满足要求时，结束迭代过程，得到去噪与降维后的数据。
在本申请实施例中，所述待处理数据可以为图像数据、视频数据、文本数据或者生物特征数据。
可选地，所述处理模块302，还用于对去噪和降维后的数据进行分类或聚类处理。
需要说明的是：上述实施例提供的数据处理装置在实现数据处理方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的数据处理装置与数据处理方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图9是本发明实施例提供的一种终端的结构示意图。该终端可以是计算机或服务器。具体来讲：
终端400包括中央处理单元(CPU)401、包括随机存取存储器(RAM)402和只读存储器(ROM)403的系统存储器404，以及连接系统存储器404和中央处理单元401的系统总线405。终端400还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)406，和用于存储操作系统413、应用程序414和其他程序模块415的大容量存储设备407。
基本输入/输出系统406包括有用于显示信息的显示器408和用于用户输入信息的诸如鼠标、键盘之类的输入设备409。其中显示器408和输入设备409都通过连接到系统总线405的输入输出控制器410连接到中央处理单元401。基本输入/输出系统406还可以包括输入输出控制器410以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器410还提供输出到显示屏、打印机或其他类型的输出设备。
大容量存储设备407通过连接到系统总线405的大容量存储控制器(未示出)连接到中央处理单元401。大容量存储设备407及其相关联的计算机可读介质为终端400提供非易失性存储。也就是说，大容量存储设备407可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器404和大容量存储设备407可以统称为存储器。
根据本发明的各种实施例，终端400还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即终端400可以通过连接在系统总线405上的网络接口单元411连接到网络412，或者说，也可以使用网络接口单元411来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。所述一个或者一个以上程序包含用于进行本发明实施例提供的如下所述的数据处理方法的指令，包括：
获取待处理数据；
调用低秩与子空间联合模型对所述待处理数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；
对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的数据。
在一种实现方式中，所述低秩模型为鲁棒主成分分析模型、低秩表示模型、隐低秩表示模型或自定义数据低秩分解形式对应的模型。
在另一种实现方式中，所述正则化项为：
λ[Tr(SW(WTXZ))-Tr(SB(WTXZ))]，s.t.X＝XZ+E，WTW＝I；
其中，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，E表示稀疏噪声矩阵，XZ表示去噪后的干净数据对应的矩阵，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，I表示单位矩阵，SW表示类内散度矩阵，SB表示类间散度矩阵，Tr表示迹，即矩阵对角线元素的和，λ为模型参数，s.t.表示约束条件；
或者，所述正则化项为：
Figure BDA0001661160160000141
其中，LZ＝DZ-(ZT+Z)/2，Z为图邻接矩阵，ZT表示Z的转置矩阵，DZ是Z的度矩阵，
Figure BDA0001661160160000142
是DZ的度矩阵，LZ是图拉普拉斯矩阵，(DZ)ii＝∑j(zij+zji)/2，W表示XZ的子空间学习投影矩阵，WT表示W的转置矩阵，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，Tr表示迹，即矩阵对角线元素的和。
在另一种实现方式中，所述正则化项为：
λ||WTD-Q||2，s.t.C1(D，E)，C2(W)，
其中，D＝XZ，X＝XZ+E，X表示所述待处理数据对应的观测矩阵，Z表示低秩系数矩阵，XZ表示去噪后的干净数据对应的矩阵，E表示稀疏噪声矩阵，WT表示W的转置矩阵，W表示XZ的子空间学习投影矩阵，Q表示回归目标，λ为模型参数，C1、C2表示约束条件。
在另一种实现方式中，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括子空间学习投影矩阵一个变量，
所述对所述低秩模型和所述正则化项进行联合求解，包括：
初始化所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵中的任意两个矩阵；
按照所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵各自的迭代规则，交替对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代优化；
当迭代后的所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵使得收敛性条件满足要求时，结束迭代过程，得到去噪与降维后的数据。
在另一种实现方式中，所述待处理数据为图像数据、视频数据、文本数据或者生物特征数据。
在另一种实现方式中，所述方法还包括：
对去噪和降维后的数据进行分类或聚类处理。
本发明实施例还提供了一种非临时性计算机可读存储介质，当所述存储介质中的指令由计算系统的处理器执行时，使得计算系统能够执行图5或图6所示实施例提供的数据处理方法。
一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述图5或图6所示实施例提供的数据处理方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (13)

1.一种数据处理方法，其特征在于，所述方法包括：
获取待处理的图像数据；
调用低秩与子空间联合模型对所述待处理的图像数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；
对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的图像数据；
其中，所述正则化项根据类内散度矩阵和类间散度矩阵构建得到，所述类内散度矩阵和所述类间散度矩阵是根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵、所述干净数据对应的矩阵的子空间学习投影矩阵得到；或者，
所述正则化项根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵的子空间学习投影矩阵、图邻接矩阵、图邻接矩阵的度矩阵、图拉普拉斯矩阵构建得到；或者，
所述正则化项根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵、所述干净数据对应的矩阵的子空间学习投影矩阵和回归目标构建得到。
2.根据权利要求1所述的方法，其特征在于，所述低秩模型为鲁棒主成分分析模型、低秩表示模型、隐低秩表示模型或自定义数据低秩分解形式对应的模型。
3.根据权利要求1所述的方法，其特征在于，所述正则化项为：
Figure QLYQS_1
；
其中，
Figure QLYQS_3
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_8
表示低秩系数矩阵，/>
Figure QLYQS_11
表示稀疏噪声矩阵，/>
Figure QLYQS_4
表示所述去噪后的干净数据对应的矩阵，/>
Figure QLYQS_9
表示/>
Figure QLYQS_12
的子空间学习投影矩阵，/>
Figure QLYQS_14
表示/>
Figure QLYQS_2
的转置矩阵，/>
Figure QLYQS_6
表示单位矩阵，/>
Figure QLYQS_10
表示所述类内散度矩阵，/>
Figure QLYQS_13
表示所述类间散度矩阵，Tr表示迹，即矩阵对角线元素的和，/>
Figure QLYQS_5
为模型参数，/>
Figure QLYQS_7
表示约束条件；
或者，所述正则化项为：
Figure QLYQS_15
，
其中，
Figure QLYQS_24
，/>
Figure QLYQS_18
为所述图邻接矩阵，/>
Figure QLYQS_20
表示/>
Figure QLYQS_23
的转置矩阵，/>
Figure QLYQS_27
是/>
Figure QLYQS_28
的度矩阵，/>
Figure QLYQS_31
是/>
Figure QLYQS_25
的度矩阵，/>
Figure QLYQS_29
是所述图拉普拉斯矩阵，/>
Figure QLYQS_17
，/>
Figure QLYQS_21
表示
Figure QLYQS_19
的子空间学习投影矩阵，/>
Figure QLYQS_22
表示/>
Figure QLYQS_26
的转置矩阵，/>
Figure QLYQS_30
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_16
表示低秩系数矩阵，Tr表示迹，即矩阵对角线元素的和。
4.根据权利要求1所述的方法，其特征在于，所述正则化项为：
Figure QLYQS_32
，
其中，
Figure QLYQS_35
，/>
Figure QLYQS_37
，/>
Figure QLYQS_41
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_34
表示低秩系数矩阵，/>
Figure QLYQS_40
表示所述去噪后的干净数据对应的矩阵，/>
Figure QLYQS_44
表示稀疏噪声矩阵，/>
Figure QLYQS_46
表示/>
Figure QLYQS_33
的转置矩阵，/>
Figure QLYQS_38
表示/>
Figure QLYQS_42
的子空间学习投影矩阵，/>
Figure QLYQS_45
表示所述回归目标，/>
Figure QLYQS_36
为模型参数，/>
Figure QLYQS_39
、/>
Figure QLYQS_43
表示约束条件。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括所述子空间学习投影矩阵一个变量，
所述对所述低秩模型和所述正则化项进行联合求解，包括：
初始化所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵中的任意两个矩阵；
按照所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵各自的迭代规则，交替对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代优化；
当迭代后的所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵使得收敛性条件满足要求时，结束迭代过程，得到所述去噪与降维后的图像数据。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：
对所述去噪与降维后的图像数据进行分类或聚类处理。
7.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取待处理的图像数据；
处理模块，用于调用低秩与子空间联合模型对所述待处理的图像数据进行处理，所述低秩与子空间联合模型包括用于去噪的低秩模型和用于降维的正则化项两部分；
求解模块，用于对所述低秩模型和所述正则化项进行联合求解，得到去噪与降维后的图像数据；
其中，所述正则化项根据类内散度矩阵和类间散度矩阵构建得到，所述类内散度矩阵和所述类间散度矩阵是根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵、所述干净数据对应的矩阵的子空间学习投影矩阵得到；或者，
所述正则化项根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵的子空间学习投影矩阵、图邻接矩阵、图邻接矩阵的度矩阵、图拉普拉斯矩阵构建得到；或者，
所述正则化项根据对所述待处理的图像数据进行去噪后的干净数据对应的矩阵、所述干净数据对应的矩阵的子空间学习投影矩阵和回归目标构建得到。
8.根据权利要求7所述的装置，其特征在于，所述低秩模型为鲁棒主成分分析模型、低秩表示模型、隐低秩表示模型或自定义数据低秩分解形式对应的模型。
9.根据权利要求7所述的装置，其特征在于，所述正则化项为：
Figure QLYQS_47
；
其中，
Figure QLYQS_49
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_52
表示低秩系数矩阵，/>
Figure QLYQS_56
表示稀疏噪声矩阵，/>
Figure QLYQS_50
表示所述去噪后的干净数据对应的矩阵，/>
Figure QLYQS_53
表示/>
Figure QLYQS_57
的转置矩阵，/>
Figure QLYQS_59
表示/>
Figure QLYQS_48
的子空间学习投影矩阵，/>
Figure QLYQS_54
表示单位矩阵，/>
Figure QLYQS_58
表示所述类内散度矩阵，/>
Figure QLYQS_60
表示所述类间散度矩阵，Tr表示迹，即矩阵对角线元素的和，/>
Figure QLYQS_51
为模型参数，/>
Figure QLYQS_55
表示约束条件；
或者，所述正则化项为：
Figure QLYQS_61
，
其中，
Figure QLYQS_71
，/>
Figure QLYQS_62
为所述图邻接矩阵，/>
Figure QLYQS_67
表示/>
Figure QLYQS_72
的转置矩阵，/>
Figure QLYQS_75
是/>
Figure QLYQS_74
的度矩阵，/>
Figure QLYQS_77
是/>
Figure QLYQS_66
的度矩阵，/>
Figure QLYQS_70
是所述图拉普拉斯矩阵，/>
Figure QLYQS_63
，/>
Figure QLYQS_68
表示
Figure QLYQS_65
的子空间学习投影矩阵，/>
Figure QLYQS_69
表示/>
Figure QLYQS_73
的转置矩阵，/>
Figure QLYQS_76
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_64
表示低秩系数矩阵，Tr表示迹，即矩阵对角线元素的和。
10.根据权利要求7所述的装置，其特征在于，所述正则化项为：
Figure QLYQS_78
，
其中，
Figure QLYQS_81
，/>
Figure QLYQS_85
，/>
Figure QLYQS_89
表示所述待处理的图像数据对应的观测矩阵，/>
Figure QLYQS_79
表示低秩系数矩阵，/>
Figure QLYQS_84
表示所述去噪后的干净数据对应的矩阵，/>
Figure QLYQS_88
表示稀疏噪声矩阵，/>
Figure QLYQS_92
表示/>
Figure QLYQS_82
的转置矩阵，/>
Figure QLYQS_83
表示/>
Figure QLYQS_87
的子空间学习投影矩阵，/>
Figure QLYQS_91
表示所述回归目标，/>
Figure QLYQS_80
为模型参数，/>
Figure QLYQS_86
、/>
Figure QLYQS_90
表示约束条件。
11.根据权利要求7至10任一项所述的装置，其特征在于，所述低秩模型至少包括低秩系数矩阵和稀疏噪声矩阵两个变量，所述正则化项至少包括所述子空间学习投影矩阵一个变量，
所述求解模块，用于初始化所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵中的任意两个矩阵；
按照所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵各自的迭代规则，交替对所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵进行迭代优化；
当迭代后的所述低秩系数矩阵、所述稀疏噪声矩阵和所述子空间学习投影矩阵使得收敛性条件满足要求时，结束迭代过程，得到所述去噪与降维后的图像数据。
12.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至6任一项所述的数据处理方法。
13.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1至6任一项所述的数据处理方法。
CN201810462144.7A 2018-05-15 2018-05-15 数据处理方法、装置、终端及存储介质 Active CN110032704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810462144.7A CN110032704B (zh) 2018-05-15 2018-05-15 数据处理方法、装置、终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810462144.7A CN110032704B (zh) 2018-05-15 2018-05-15 数据处理方法、装置、终端及存储介质

Publications (2)

Publication Number Publication Date
CN110032704A CN110032704A (zh) 2019-07-19
CN110032704B true CN110032704B (zh) 2023-06-09

Family

ID=67234856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810462144.7A Active CN110032704B (zh) 2018-05-15 2018-05-15 数据处理方法、装置、终端及存储介质

Country Status (1)

Country Link
CN (1) CN110032704B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111265214B (zh) * 2020-02-25 2022-09-09 杭州电子科技大学 一种基于数据结构化分解的脑电信号分析方法
CN111860612B (zh) * 2020-06-29 2021-09-03 西南电子技术研究所（中国电子科技集团公司第十研究所） 无监督高光谱图像隐低秩投影学习特征提取方法
CN111783032B (zh) * 2020-06-30 2023-07-04 北京百度网讯科技有限公司 目标时空观测数据的获得方法、装置、设备及存储介质
CN113197561B (zh) * 2021-06-08 2022-05-17 山东大学 基于低秩回归的鲁棒式的无创无袖式血压测量方法与系统
CN113936196B (zh) * 2021-09-29 2024-05-14 江苏大学 一种基于低秩拉普拉斯图学习的鲁棒数据降维方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632134A (zh) * 2013-10-17 2014-03-12 浙江师范大学 基于Fisher低秩矩阵恢复的人脸识别方法
CN105574548A (zh) * 2015-12-23 2016-05-11 北京化工大学 一种基于稀疏和低秩表示图的高光谱数据降维方法
CN107392128A (zh) * 2017-07-13 2017-11-24 南京邮电大学 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法
CN107437252A (zh) * 2017-08-04 2017-12-05 山东师范大学 用于黄斑病变区域分割的分类模型构建方法和设备
CN107590505A (zh) * 2017-08-01 2018-01-16 天津大学 联合低秩表示和稀疏回归的学习方法
CN108021950A (zh) * 2017-12-28 2018-05-11 河南科技大学 基于低秩稀疏表示的图像分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8935308B2 (en) * 2012-01-20 2015-01-13 Mitsubishi Electric Research Laboratories, Inc. Method for recovering low-rank matrices and subspaces from data in high-dimensional matrices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632134A (zh) * 2013-10-17 2014-03-12 浙江师范大学 基于Fisher低秩矩阵恢复的人脸识别方法
CN105574548A (zh) * 2015-12-23 2016-05-11 北京化工大学 一种基于稀疏和低秩表示图的高光谱数据降维方法
CN107392128A (zh) * 2017-07-13 2017-11-24 南京邮电大学 基于双低秩表示和局部约束矩阵回归的鲁棒图像识别方法
CN107590505A (zh) * 2017-08-01 2018-01-16 天津大学 联合低秩表示和稀疏回归的学习方法
CN107437252A (zh) * 2017-08-04 2017-12-05 山东师范大学 用于黄斑病变区域分割的分类模型构建方法和设备
CN108021950A (zh) * 2017-12-28 2018-05-11 河南科技大学 基于低秩稀疏表示的图像分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Constrained Low-Rank Learning Using Least Squares-Based Regularization;Ping Li 等;IEEE Transactions on Cybernetics;第47卷(第12期);4250-4262 *
Total-Variation-Regularized Low-Rank Matrix Factorization for Hyperspectral Image Restoration;Wei He 等;IEEE Transactions on Geoscience and Remote Sensing;第54卷(第1期);176-188 *
基于稀疏和低秩表示的高光谱图像维数约减;蔡榕竹;中国优秀硕士学位论文全文数据库信息科技辑(第04期);I140-1043 *
基于稀疏表示与低秩矩阵恢复的图像识别算法研究;杨方方;中国优秀硕士学位论文全文数据库信息科技辑(第02期);I138-3488 *
正则化低秩子空间谱聚类算法;何家玉 等;软件导刊;第15卷(第12期);22-24 *

Also Published As

Publication number Publication date
CN110032704A (zh) 2019-07-19

Similar Documents

Publication Publication Date Title
CN110032704B (zh) 数据处理方法、装置、终端及存储介质
Bako et al. Kernel-predicting convolutional networks for denoising Monte Carlo renderings.
Montazer et al. An improved radial basis function neural network for object image retrieval
Yuan et al. Factorization-based texture segmentation
Mu et al. Accelerated low-rank visual recovery by random projection
Sobral et al. Online stochastic tensor decomposition for background subtraction in multispectral video sequences
Tarzanagh et al. Fast randomized algorithms for t-product based tensor operations and decompositions with applications to imaging data
Rubinstein et al. Dictionary learning for analysis-synthesis thresholding
Dong et al. Image restoration: a data-driven perspective
CN111324791B (zh) 一种多视数据子空间聚类方法
Sumarsono et al. Low-rank subspace representation for supervised and unsupervised classification of hyperspectral imagery
CN110717519A (zh) 训练、特征提取、分类方法、设备及存储介质
Sha et al. Graph Laplacian regularization with sparse coding for image restoration and representation
Huang et al. A structural subspace clustering approach for hyperspectral band selection
CN114266894A (zh) 一种图像分割方法、装置、电子设备及存储介质
Zhang et al. Structure preserving image denoising based on low-rank reconstruction and gradient histograms
Rujirakul et al. PEM‐PCA: A Parallel Expectation‐Maximization PCA Face Recognition Architecture
Spurek et al. ICA based on asymmetry
Kallas et al. Non-negativity constraints on the pre-image for pattern recognition with kernel machines
CN111126169A (zh) 基于正交化的图正则非负矩阵分解的人脸识别方法及系统
Li et al. Single-image super-resolution reconstruction based on global non-zero gradient penalty and non-local Laplacian sparse coding
CN108009586B (zh) 封顶概念分解方法及图像聚类方法
Pan et al. Two-step group-based adaptive soft-thresholding algorithm for image denoising
Salloum et al. Efficient image splicing localization via contrastive feature extraction
CN112417234B (zh) 一种数据聚类方法和装置，及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant